Hogyan halad egy Machine Learning Studio (klasszikus) modell egy kísérletből a webszolgáltatásbaHow a Machine Learning Studio (classic) model progresses from an experiment to a Web service

a következőkre vonatkozik:  Ez egy pipa, ami azt jelenti, hogy ez a cikk a Machine Learning Studio (klasszikus) elemre vonatkozik. Machine Learning Studio (klasszikus)  Ez egy X, ami azt jelenti, hogy ez a cikk Azure Machine learningre vonatkozik. Azure Machine Learning APPLIES TO: This is a check mark, which means that this article applies to Machine Learning Studio (classic).Machine Learning Studio (classic) This is an X, which means that this article applies to Azure Machine Learning.Azure Machine Learning

A Azure Machine Learning Studio (klasszikus) egy interaktív vászon, amely lehetővé teszi egy prediktív elemzési modellt jelölő kísérlet fejlesztését, futtatását, tesztelését és megismétlését.Azure Machine Learning Studio (classic) provides an interactive canvas that allows you to develop, run, test, and iterate an experiment representing a predictive analysis model. Számos különböző modul érhető el, amelyek a következőket tehetik:There are a wide variety of modules available that can:

  • Adatok bevitele a kísérletbeInput data into your experiment
  • Az adatkezelésManipulate the data
  • Modell betanítása gépi tanulási algoritmusok használatávalTrain a model using machine learning algorithms
  • A modell pontozásaScore the model
  • Az eredmények kiértékeléseEvaluate the results
  • Kimeneti végső értékekOutput final values

Ha elégedett a kísérlettel, telepítheti a t *klasszikus Azure Machine learning webszolgáltatásként, vagy egy _ *új Azure Machine learning webszolgáltatásként**, hogy a felhasználók el tudják küldeni az új adatait, és megkapják az eredményeket.Once you're satisfied with your experiment, you can deploy it as a Classic Azure Machine Learning Web service _ or a _ New Azure Machine Learning Web service so that users can send it new data and receive back results.

Ebben a cikkben áttekintjük, hogy a Machine Learning modell hogyan halad egy fejlesztési kísérletből egy működőképes webszolgáltatásra.In this article, we give an overview of the mechanics of how your Machine Learning model progresses from a development experiment to an operationalized Web service.

Megjegyzés

A gépi tanulási modellek fejlesztésére és üzembe helyezésére más módszerek is használhatók, de ez a cikk a Machine Learning Studio (klasszikus) használatának módjára koncentrál.There are other ways to develop and deploy machine learning models, but this article is focused on how you use Machine Learning Studio (classic). Ha például azt szeretné megtudni, hogyan hozhat létre egy klasszikus prediktív webszolgáltatást az R-vel, tekintse meg a blogbejegyzés készítése & az RStudio és a Azure Machine learning Studio használatával történő prediktív Web Apps üzembe helyezésétismertető témakört.For example, to read a description of how to create a classic predictive Web service with R, see the blog post Build & Deploy Predictive Web Apps Using RStudio and Azure Machine Learning studio.

Habár a Azure Machine Learning Studio (klasszikus) úgy van kialakítva, hogy segítséget nyújtson a prediktív elemzési modellek fejlesztéséhez és üzembe helyezéséhez, a Studio (klasszikus) használatával olyan kísérletet fejleszthet, amely nem tartalmaz prediktív elemzési modellt.While Azure Machine Learning Studio (classic) is designed to help you develop and deploy a predictive analysis model, it's possible to use Studio (classic) to develop an experiment that doesn't include a predictive analysis model. Előfordulhat például, hogy egy kísérlet csak bevitt adatokat tartalmaz, majd a módosítást végez, majd kiírja az eredményeket.For example, an experiment might just input data, manipulate it, and then output the results. A prediktív elemzési kísérletekhez hasonlóan ezt a nem prediktív kísérletet is üzembe helyezheti webszolgáltatásként, de ez egy egyszerűbb folyamat, mert a kísérlet nem tanít vagy nem talál gépi tanulási modellt.Just like a predictive analysis experiment, you can deploy this non-predictive experiment as a Web service, but it's a simpler process because the experiment isn't training or scoring a machine learning model. Habár a Studio (klasszikus) nem a szokásos módon használható, a beszélgetésbe belefoglaljuk, hogy a Studio (klasszikus) működése teljes körű magyarázatot nyújtson.While it's not the typical to use Studio (classic) in this way, we'll include it in the discussion so that we can give a complete explanation of how Studio (classic) works.

Prediktív webszolgáltatás fejlesztése és üzembe helyezéseDeveloping and deploying a predictive Web service

Az alábbi szakaszokban egy tipikus megoldás következik be, amelyet a Machine Learning Studio (klasszikus) használatával fejleszt és telepít:Here are the stages that a typical solution follows as you develop and deploy it using Machine Learning Studio (classic):

Üzembe helyezési folyamat

1. ábra – egy tipikus prediktív elemzési modell szakaszaiFigure 1 - Stages of a typical predictive analysis model

A betanítási kísérletThe training experiment

A betanítási kísérlet a webszolgáltatások fejlesztésének kezdeti fázisa Machine learning Studio (klasszikus).The training experiment is the initial phase of developing your Web service in Machine Learning Studio (classic). A betanítási kísérlet célja, hogy lehetővé teszi a gépi tanulási modellek fejlesztését, tesztelését, megismétlését és végül betanítását.The purpose of the training experiment is to give you a place to develop, test, iterate, and eventually train a machine learning model. Akár egyszerre több modellt is betaníthat, amikor a legjobb megoldást keresi, de ha végzett a kísérletezéssel, egyetlen betanított modellt is kiválaszthat, és kizárja a többit a kísérletből.You can even train multiple models simultaneously as you look for the best solution, but once you're done experimenting you'll select a single trained model and eliminate the rest from the experiment. A prediktív elemzési kísérlet kialakítására példát a következő témakörben talál: Azure Machine learning Studio (klasszikus) hitelkockázat-értékelésének prediktív elemzési megoldásának fejlesztése.For an example of developing a predictive analysis experiment, see Develop a predictive analytics solution for credit risk assessment in Azure Machine Learning Studio (classic).

A prediktív kísérletThe predictive experiment

Miután betanított modellt a betanítási kísérletben, kattintson a webszolgáltatás beállítása elemre, és válassza a prediktív webszolgáltatás Machine learning Studio (klasszikus) lehetőséget, hogy elindítsa a betanítási kísérletet egy prediktív kísérletre.Once you have a trained model in your training experiment, click Set Up Web Service and select Predictive Web Service in Machine Learning Studio (classic) to initiate the process of converting your training experiment to a predictive experiment. A prediktív kísérlet célja, hogy a betanított modellt használja az új adatmennyiségek kiértékelésére, amelynek célja, hogy végül Azure-webszolgáltatásként működőképes legyen.The purpose of the predictive experiment is to use your trained model to score new data, with the goal of eventually becoming operationalized as an Azure Web service.

Ezt a konverziót a következő lépésekkel végezheti el:This conversion is done for you through the following steps:

  • Átalakíthatja a betanításhoz használt modulok készletét egyetlen modulba, és megtakaríthatja azt betanított modellkéntConvert the set of modules used for training into a single module and save it as a trained model
  • A pontozáshoz nem kapcsolódó külső modulok kizárásaEliminate any extraneous modules not related to scoring
  • Adja meg azokat a bemeneti és kimeneti portokat, amelyeket a végső webszolgáltatás használni fogAdd input and output ports that the eventual Web service will use

Előfordulhat, hogy a prediktív kísérletet webszolgáltatásként való üzembe helyezésre kész állapotba kívánja venni.There may be more changes you want to make to get your predictive experiment ready to deploy as a Web service. Ha például azt szeretné, hogy a webszolgáltatás csak az eredmények egy részhalmazát adja eredményül, hozzáadhat egy szűrési modult a kimeneti port előtt.For example, if you want the Web service to output only a subset of results, you can add a filtering module before the output port.

Ebben az átalakítási folyamatban a betanítási kísérlet nem kerül elvetésre.In this conversion process, the training experiment is not discarded. Ha a folyamat elkészült, két füle van a Studióban (klasszikus): egyet a betanítási kísérlethez, egyet pedig a prediktív kísérlethez.When the process is complete, you have two tabs in Studio (classic): one for the training experiment and one for the predictive experiment. Így módosíthatja a betanítási kísérletet a webszolgáltatás üzembe helyezése előtt, és újraépítheti a prediktív kísérletet.This way you can make changes to the training experiment before you deploy your Web service and rebuild the predictive experiment. Vagy mentheti a betanítási kísérlet másolatát egy újabb kísérletezés elindításához.Or you can save a copy of the training experiment to start another line of experimentation.

Megjegyzés

Ha a prediktív webszolgáltatás elemre kattint, elindul egy automatikus folyamat, amellyel a betanítási kísérletet prediktív kísérletre alakíthatja, és ez a legtöbb esetben jól működik.When you click Predictive Web Service you start an automatic process to convert your training experiment to a predictive experiment, and this works well in most cases. Ha a betanítási kísérlet összetett (például több elérési úttal rendelkezik a betanításhoz), érdemes lehet ezt a konverziót manuálisan elvégezni.If your training experiment is complex (for example, you have multiple paths for training that you join together), you might prefer to do this conversion manually. További információ: a modell előkészítése az üzembe helyezéshez Azure Machine learning Studio (klasszikus).For more information, see How to prepare your model for deployment in Azure Machine Learning Studio (classic).

WebszolgáltatásThe web service

Ha meggyőződött arról, hogy a prediktív kísérlet készen áll, a szolgáltatást telepítheti klasszikus webszolgáltatásként vagy egy Azure Resource Manager alapján létrehozott új webszolgáltatásként is.Once you're satisfied that your predictive experiment is ready, you can deploy your service as either a Classic Web service or a New Web service based on Azure Resource Manager. Ahhoz, hogy klasszikus Machine learning webszolgáltatásként telepítse a modellt, kattintson a webszolgáltatás telepítése lehetőségre, és válassza a webszolgáltatás telepítése [klasszikus] lehetőséget működővé tenni.To operationalize your model by deploying it as a Classic Machine Learning Web service, click Deploy Web Service and select Deploy Web Service [Classic]. Ha új Machine learning webszolgáltatásként kíván üzembe helyezni, kattintson a webszolgáltatás telepítése és a webszolgáltatás telepítése [új] elemre.To deploy as New Machine Learning Web service, click Deploy Web Service and select Deploy Web Service [New]. A felhasználók most már küldhetnek adattípust a modellnek a webszolgáltatási REST API használatával, és megkapják az eredményeket.Users can now send data to your model using the Web service REST API and receive back the results. További információ: Az Azure Machine Learning webszolgáltatásainak használata.For more information, see How to consume an Azure Machine Learning Web service.

Nem tipikus eset: nem prediktív webszolgáltatás létrehozásaThe non-typical case: creating a non-predictive Web service

Ha a kísérlet nem egy prediktív elemzési modellt mutat be, akkor nem kell egyszerre betanítási kísérletet és pontozási kísérletet létrehoznia – csak egy kísérlet van, és webszolgáltatásként is üzembe helyezhető.If your experiment does not train a predictive analysis model, then you don't need to create both a training experiment and a scoring experiment - there's just one experiment, and you can deploy it as a Web service. A Machine Learning Studio (klasszikus) azt észleli, hogy a kísérlet prediktív modellt tartalmaz-e a használt modulok elemzésével.Machine Learning Studio (classic) detects whether your experiment contains a predictive model by analyzing the modules you've used.

Miután megismételte a kísérletet, és elégedett vele:After you've iterated on your experiment and are satisfied with it:

  1. Kattintson a webszolgáltatás beállítása elemre, és válassza a webszolgáltatás átképzése -bemeneti és kimeneti csomópontok automatikus hozzáadása elemet.Click Set Up Web Service and select Retraining Web Service - input and output nodes are added automatically
  2. Kattintson a Futtatás gombra.Click Run
  3. Kattintson a webszolgáltatás üzembe helyezése lehetőségre, majd válassza a webszolgáltatás telepítése [klasszikus] lehetőséget, vagy telepítse a webszolgáltatást [új] attól függően, hogy melyik környezetbe szeretné telepíteni a szolgáltatást.Click Deploy Web Service and select Deploy Web Service [Classic] or Deploy Web Service [New] depending on the environment to which you want to deploy.

A webszolgáltatás üzembe helyezése már megtörtént, és egy prediktív webszolgáltatáshoz hasonlóan elérheti és kezelheti.Your Web service is now deployed, and you can access and manage it just like a predictive Web service.

Webszolgáltatás frissítéseUpdating your web service

Most, hogy üzembe helyezte a kísérletet webszolgáltatásként, mi a teendő, ha frissítenie kell?Now that you've deployed your experiment as a Web service, what if you need to update it?

Ez attól függ, hogy mit kell frissítenie:That depends on what you need to update:

Módosítani szeretné a bemenetet vagy a kimenetet, vagy módosítani szeretné, hogy a webszolgáltatás hogyan kezelje az adatokatYou want to change the input or output, or you want to modify how the Web service manipulates data

Ha nem módosítja a modellt, de csak megváltoztatja, hogy a webszolgáltatás hogyan kezeli az adatkezelést, akkor szerkesztheti a prediktív kísérletet, majd kattintson a webszolgáltatás telepítése lehetőségre, és válassza a webszolgáltatás telepítése [klasszikus] vagy a webszolgáltatás telepítése [új] lehetőséget.If you're not changing the model, but are just changing how the Web service handles data, you can edit the predictive experiment and then click Deploy Web Service and select Deploy Web Service [Classic] or Deploy Web Service [New] again. A webszolgáltatás leáll, a frissített prediktív kísérlet települ, és a webszolgáltatás újraindul.The Web service is stopped, the updated predictive experiment is deployed, and the Web service is restarted.

Példa: tegyük fel, hogy a prediktív kísérlet a bemeneti adatok teljes sorát adja vissza a várt eredménnyel.Here's an example: Suppose your predictive experiment returns the entire row of input data with the predicted result. Dönthet úgy, hogy azt szeretné, hogy a webszolgáltatás csak az eredményt küldje vissza.You may decide that you want the Web service to just return the result. Így hozzáadhat egy Project Columns modult a prediktív kísérletben, közvetlenül a kimeneti port előtt, hogy az eredménytől eltérő oszlopokat lehessen kizárni.So you can add a Project Columns module in the predictive experiment, right before the output port, to exclude columns other than the result. Ha a webszolgáltatás telepítése lehetőségre kattint, és kiválasztja a webszolgáltatás telepítése [klasszikus] vagy a webszolgáltatás telepítése [új] lehetőséget, a webszolgáltatás frissül.When you click Deploy Web Service and select Deploy Web Service [Classic] or Deploy Web Service [New] again, the Web service is updated.

Új adattal szeretné áttanítani a modelltYou want to retrain the model with new data

Ha szeretné megőrizni a gépi tanulási modellt, de az új adataival szeretné újratanítani, két lehetőség közül választhat:If you want to keep your machine learning model, but you would like to retrain it with new data, you have two choices:

  1. A modell újratanítása a webszolgáltatás futása közben – ha a prediktív webszolgáltatás futása közben szeretné áttanítani a modellt, ezt úgy teheti meg, hogy a betanítási kísérlet során egy pár módosítást hajt végre a betanítási kísérlet során.Retrain the model while the Web service is running - If you want to retrain your model while the predictive Web service is running, you can do this by making a couple modifications to the training experiment to make it a retraining experiment_, then you can deploy it as a _retraining web service. Ennek módjával kapcsolatos útmutatásért olvassa el a Machine learning modellek programozott újratanításacímű témakört.For instructions on how to do this, see Retrain Machine Learning models programmatically.

  2. Térjen vissza az eredeti betanítási kísérletre, és használjon különböző képzési adatait a modell fejlesztéséhez – a prediktív kísérlet a webszolgáltatáshoz van csatolva, de a betanítási kísérlet nem kapcsolódik közvetlenül ehhez a módszerhez.Go back to the original training experiment and use different training data to develop your model - Your predictive experiment is linked to the Web service, but the training experiment is not directly linked in this way. Ha módosítja az eredeti betanítási kísérletet, és a webszolgáltatás beállítása elemre kattint, a rendszer létrehoz egy új prediktív kísérletet, amely telepítésekor a rendszer létrehoz egy új webszolgáltatás-szolgáltatást.If you modify the original training experiment and click Set Up Web Service, it will create a new predictive experiment which, when deployed, will create a new Web service. Nem csupán az eredeti webszolgáltatás frissítésére szolgál.It doesn't just update the original Web service.

    Ha módosítania kell a betanítási kísérletet, nyissa meg, majd kattintson a Mentés másként lehetőségre a másoláshoz.If you need to modify the training experiment, open it and click Save As to make a copy. Ez érintetlenül hagyja az eredeti betanítási kísérletet, a prediktív kísérletet és a webszolgáltatás-szolgáltatást.This will leave intact the original training experiment, predictive experiment, and Web service. Mostantól létrehozhat egy új webszolgáltatást is a módosításaival.You can now create a new Web service with your changes. Miután telepítette az új webszolgáltatást, eldöntheti, hogy leállítja-e az előző webszolgáltatást, vagy továbbra is fut-e az új webszolgáltatás mellett.Once you've deployed the new Web service you can then decide whether to stop the previous Web service or keep it running alongside the new one.

Egy másik modellt szeretne betanítaniYou want to train a different model

Ha módosítani kívánja az eredeti prediktív kísérletet, például egy másik gépi tanulási algoritmus kiválasztásával, egy másik betanítási módszer kipróbálásával, majd a modell átképzéséhez a fentebb ismertetett második eljárást kell követnie: Nyissa meg a betanítási kísérletet, kattintson a Mentés másként lehetőségre a másoláshoz, majd indítsa el a modell fejlesztésének új útvonalát, hozza létre a prediktív kísérletet és telepítse a webszolgáltatást.If you want to make changes to your original predictive experiment, such as selecting a different machine learning algorithm, trying a different training method, etc., then you need to follow the second procedure described above for retraining your model: open the training experiment, click Save As to make a copy, and then start down the new path of developing your model, creating the predictive experiment, and deploying the web service. Ezzel egy új webszolgáltatás fog létrejönni, amely nem kapcsolódik az eredetihöz – eldöntheti, hogy melyik vagy mindkettőt használja a működés folytatásához.This will create a new Web service unrelated to the original one - you can decide which one, or both, to keep running.

Következő lépésekNext steps

A fejlesztés és kísérletezés folyamatával kapcsolatos további részletekért tekintse meg a következő cikkeket:For more details on the process of developing and experiment, see the following articles:

A teljes folyamatra vonatkozó példákat a következő témakörben talál:For examples of the whole process, see: